#!/usr/bin/env python3 """ 需求诊断系统：从模糊需求推荐人物/主题 """ import json from typing import Dict, List class DemandDiagnostic: """需求诊断器""" # 需求维度映射 DEMAND_DIMENSIONS = { 'decision': { 'keywords': ['决策', '判断', '选择', '做决定', 'decision', 'choice'], 'candidates': ['charlie-munger', 'daniel-kahneman', 'ray-dalio'], 'themes': ['decision-making', 'probabilistic-thinking', 'mental-models'] }, 'expression': { 'keywords': ['表达', '写作', '说话', '演讲', 'communication', 'writing'], 'candidates': ['richard-feynman', 'george-orwell', 'yuval-noah-harari'], 'themes': ['writing', 'storytelling', 'public-speaking'] }, 'startup': { 'keywords': ['创业', '产品', '商业模式', 'startup', 'business'], 'candidates': ['paul-graham', 'elad-gil', 'peter-thiel'], 'themes': ['startup', 'product-market-fit', 'entrepreneurship'] }, 'teaching': { 'keywords': ['教学', '传播', '讲课', 'teaching', 'education'], 'candidates': ['richard-feynman', 'joshua-waitzkin'], 'themes': ['teaching', 'knowledge-transfer', 'learning'] }, 'critical_thinking': { 'keywords': ['批判', '识别', '不靠谱', 'critical', 'skeptic'], 'candidates': ['charlie-munger', 'daniel-kahneman', 'michael-shermer'], 'themes': ['critical-thinking', 'cognitive-biases', 'skepticism'] }, 'creativity': { 'keywords': ['创作', '内容', '视频', '流量', 'creativity', 'content'], 'candidates': ['james-clear', 'seth-godin', 'ryan-holiday'], 'themes': ['creativity', 'content-creation', 'attention-economy'] }, 'life_strategy': { 'keywords': ['职业', '人生', '方向', 'career', 'life'], 'candidates': ['naval-ravikant', 'tim-ferriss', 'cal-newport'], 'themes': ['life-strategy', 'career-planning', 'productivity'] }, 'risk': { 'keywords': ['风险', '不确定性', '投资', 'risk', 'uncertainty'], 'candidates': ['nasim-taleb', 'howard-marks', 'michael-mauboussin'], 'themes': ['risk-management', 'antifragility', 'investing'] }, 'design': { 'keywords': ['设计', '产品', '用户体验', 'design', 'ux', 'product'], 'candidates': ['don-norman', 'steve-jobs', 'dieter-rams'], 'themes': ['design-thinking', 'minimalism', 'product-design'] }, 'humor': { 'keywords': ['幽默', '有趣', '表达力', 'humor', 'expression'], 'candidates': ['david-sedaris', 'conan-obrien', 'john-mulaney'], 'themes': ['humor', 'wit', 'satire'] } } # 候选人物/主题数据库 CANDIDATE_DATABASE = { 'charlie-munger': { 'name': '查理·芒格', 'core_lens': '多元思维模型 + 逆向思考', 'why_suitable': '擅长用跨学科思维模型做决策，特别适合复杂商业判断', 'limitations': '过于理性，可能忽略情感因素；需要大量背景知识', 'type': 'human' }, 'richard-feynman': { 'name': '理查德·费曼', 'core_lens': '第一性原理 + 费曼技巧', 'why_suitable': '擅长将复杂概念简化为可理解的形式', 'limitations': '过于强调简化，可能丢失细节；适合教学但未必适合复杂决策', 'type': 'human' }, 'naval-ravikant': { 'name': '纳瓦尔', 'core_lens': '杠杆思维 + 长期主义', 'why_suitable': '现代财富和幸福的哲学框架，适合职业和人生规划', 'limitations': '过于理想化，实际执行难度大；更适合战略而非具体操作', 'type': 'human' }, 'nasim-taleb': { 'name': '纳西姆·塔勒布', 'core_lens': '反脆弱 + 凸性策略', 'why_suitable': '应对不确定性和黑天鹅事件的顶级策略', 'limitations': '过于激进，不适合保守决策；需要高度自律', 'type': 'human' }, 'paul-graham': { 'name': '保罗·格雷厄姆', 'core_lens': '第一性原理 + 创业智慧', 'why_suitable': '创业和产品思维的权威，适合早期创业者', 'limitations': '过于专注早期创业，不适合成熟企业；需要技术背景', 'type': 'human' }, # 主题型候选 'decision-making': { 'name': '决策科学', 'core_lens': '概率思维 + 贝叶斯更新', 'why_suitable': '系统性的决策方法论，融合心理学和经济学', 'limitations': '过于理性化，实际应用需要适应；不适合快速直觉决策', 'type': 'theme' }, 'antifragility': { 'name': '反脆弱系统', 'core_lens': '从波动中获益 + 杠杆选择', 'why_suitable': '应对不确定性系统的设计原则', 'limitations': '需要高度自律和长期视角；不适合所有情境', 'type': 'theme' }, 'minimalism': { 'name': '极简主义', 'core_lens': '少即是多 + 约束即创意', 'why_suitable': '设计和产品思维的核心原则', 'limitations': '可能导致过度简化；不适合需要复杂性的情境', 'type': 'theme' } } def __init__(self): self.diagnostic_history = [] def diagnose_demand(self, user_input: str) -> Dict: """诊断用户需求并推荐候选""" # Step 1: 识别需求维度 dimensions = self._identify_dimensions(user_input) # Step 2: 评估是否需要追问 needs_clarification = self._needs_clarification(user_input, dimensions) if needs_clarification: return { 'needs_clarification': True, 'clarification_question': self._generate_clarification_question(dimensions) } # Step 3: 生成候选推荐 candidates = self._generate_candidates(dimensions) return { 'needs_clarification': False, 'identified_dimensions': dimensions, 'candidates': candidates } def _identify_dimensions(self, user_input: str) -> List[str]: """识别需求维度""" identified = [] user_input_lower = user_input.lower() for dimension_name, dimension_info in self.DEMAND_DIMENSIONS.items(): for keyword in dimension_info['keywords']: if keyword in user_input_lower: if dimension_name not in identified: identified.append(dimension_name) break return identified def _needs_clarification(self, user_input: str, dimensions: List[str]) -> bool: """判断是否需要澄清""" # 如果用户表达非常模糊（少于10个字），需要澄清 if len(user_input) < 10: return True # 如果没有识别到任何维度，需要澄清 if not dimensions: return True # 如果识别到多个维度但用户没有明确偏好，可能需要澄清 if len(dimensions) > 1 and '主要' not in user_input and '核心' not in user_input: return True return False def _generate_clarification_question(self, dimensions: List[str]) -> str: """生成澄清问题""" if not dimensions: return "你主要想提升哪个方面的能力？比如决策质量、表达能力、创业思维、教学能力、批判思维等？" if len(dimensions) == 1: dimension = dimensions[0] dimension_info = self.DEMAND_DIMENSIONS[dimension] # 根据维度生成具体问题 if dimension == 'decision': return "你说的决策主要是哪种场景？比如商业/投资决策，还是职业/人生方向的选择？" elif dimension == 'startup': return "你是处于创业的哪个阶段？比如想法验证、产品开发、市场扩张？" elif dimension == 'life_strategy': return "你主要关注职业生涯规划，还是整体人生策略（包括财富、幸福、健康等）？" else: return f"能具体说一下你在{dimension_info['keywords'][0]}方面遇到的困惑吗？" # 多个维度 dimension_names = [self.DEMAND_DIMENSIONS[d]['keywords'][0] for d in dimensions[:2]] return f"你提到的{dimension_names[0]}和{dimension_names[1]}，哪个是更核心的需求？" def _generate_candidates(self, dimensions: List[str]) -> List[Dict]: """生成候选推荐""" candidates = [] for dimension_name in dimensions: dimension_info = self.DEMAND_DIMENSIONS[dimension_name] # 从维度获取候选 for candidate_key in dimension_info['candidates']: if candidate_key in self.CANDIDATE_DATABASE: candidate_info = self.CANDIDATE_DATABASE[candidate_key] candidates.append({ 'candidate_id': candidate_key, 'name': candidate_info['name'], 'core_lens': candidate_info['core_lens'], 'why_suitable': candidate_info['why_suitable'], 'limitations': candidate_info['limitations'], 'type': candidate_info['type'], 'matched_dimension': dimension_name }) # 去重 seen = set() unique_candidates = [] for candidate in candidates: if candidate['candidate_id'] not in seen: seen.add(candidate['candidate_id']) unique_candidates.append(candidate) # 限制最多3个 return unique_candidates[:3] def clarify_user_response(self, original_input: str, user_response: str) -> Dict: """处理用户的澄清响应""" # 合并原始输入和响应 combined_input = f"{original_input} {user_response}" # 重新诊断 return self.diagnose_demand(combined_input) def check_existing_skills(self, skills_dir: str) -> List[Dict]: """检查已有的Skill""" # 简化处理，实际应该扫描目录 existing_skills = [] # 模拟检查结果 return existing_skills def main(): import argparse parser = argparse.ArgumentParser(description='需求诊断') parser.add_argument('--input', type=str, required=True, help='用户输入') parser.add_argument('--clarify', type=str, help='用户的澄清响应（如有）') args = parser.parse_args() diagnostic = DemandDiagnostic() if args.clarify: result = diagnostic.clarify_user_response(args.input, args.clarify) else: result = diagnostic.diagnose_demand(args.input) print(json.dumps(result, ensure_ascii=False, indent=2)) if __name__ == '__main__': main()